A Confidence-Weighted Rule-Based Framework for Multimodal Brain Lesion Classification Using MRI and MRS
Notice bibliographique
Résumé
Differentiating brain tumors from tumor-like lesions is a persistent clinical challenge due to their overlapping imaging features on conventional radiological scans.Tumor-like lesions such as demyelinating diseases, infections, or post-traumatic changes often mimic neoplastic growths in appearance, leading to potential misdiagnosis and inappropriate treatment decisions.To address this issue, we propose a novel machine-learning-based diagnostic framework that integrates Magnetic Resonance Spectroscopy (MRS) and structural Magnetic Resonance Imaging (MRI) through a confidence-weighted fusion strategy: Final Diagnosis = 0.7 MRS + 0.3 MRI.This weighting reflects the higher metabolic specificity of MRS, while retaining MRI's anatomical detail.Each modality is processed through a specialized pipeline.The MRS pipeline involves image-to-numeric transformation, noise filtering, metabolite concentration-based feature extraction, expertguided feature selection, and a rule-based classifier.The MRI pipeline includes skull stripping, a novel Dynamic Image Thresholding method, multidimensional feature extraction (statistical, volumetric, shape-based), and correlation-based feature selection with a rule-based classifier.Our integrated system achieved 90% classification accuracy on a clinically validated dataset, effectively distinguishing between tumors and tumor-like lesions.Despite the small dataset (n=50) from a single center, stratified cross-validation yielded consistent results (90% accuracy), demonstrating robustness.Future external validation is planned.By introducing a confidence-informed multimodal fusion strategy, the framework provides both high diagnostic accuracy and interpretability, supporting more reliable and informed clinical decision-making in neuro-oncology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».